常見單變數隨機變數：從極端違約到日常波動的機率模型

市場參與者往往試圖在價格的隨機波動中尋找必然性，然而金融市場的本質，是由無數個單變數隨機變數 (Univariate Random Variables) 交疊而成的複雜系統。我們經常聽到「黑天鵝事件」或是「肥尾效應 (Fat Tails)」，但這些現象並非無法捕捉的幽靈，而是可以透過嚴謹的機率分配 (Probability Distributions) 模型進行量化與界定的。量化投資的核心，不在於預測下一次的絕對點位，而是建立對於各種結果發生機率的正確認知。

多數投資模型預設資產報酬服從常態分配 (Normal Distribution)，但真實金融市場充滿了極端值與非對稱性。若將所有市場行為強行套用單一模型，將導致風險管理的全面失效。因此，我們必須精準掌握不同單變數機率分配的適用邊界，從基礎的離散分配到複雜的連續分配，甚至是混合分配 (Mixture Distributions)，才能在非完全資訊賽局中建立穩固的投資架構。

要建構市場模型，首先必須理解變數的基礎特徵。金融市場中的事件可以分為離散與連續兩種型態。對於離散型變數，最基礎的便是伯努利分配 (Bernoulli Distribution) 與二項式分配 (Binomial Distribution)。在評估企業違約機率或交易策略勝率時，這些模型提供了最根本的數學基礎。

伯努利分配僅有兩種結果，即成功或失敗。二項式分配則是 n 次獨立伯努利試驗的成功次數。其機率函數可表示為：

其預期值 (Expected Value) 與變異數 (Variance) 分別為：

而對於衡量特定時間內罕見事件發生次數的卜瓦松分配 (Poisson Distribution)，其期望值與變異數皆等於參數 lambda。其機率函數為：

在連續型變數方面，連續均勻分配 (Continuous Uniform Distribution) 代表了在特定區間內所有結果發生機率相等的極端隨機狀態。其機率區間與變異數如下：

金融理論中最常被誤用的便是常態分配 (Normal Distribution)。常態分配具備完美對稱性，偏度 (Skewness) 為零且峰度 (Kurtosis) 為三。其機率密度函數 (PDF) 如下：

將任意常態隨機變數標準化為標準常態分配 (Standard Normal Distribution) 的 z 值公式為：

然而，資產價格的下限為零，不可能出現低於負百分之百的報酬率。若以常態分配模型來衡量資產價格，將產生嚴重的邏輯謬誤。因此，對數常態分配 (Lognormal Distribution) 成為更合理的選擇。因為它具有右偏 (Right-skewed) 且下界為零的特性，更符合真實世界資產價格的動態變化。看似完美的常態假說，實則在真實環境中有其明確的失效邊界。

當樣本數較小或母體變異數未知時，學生t分配 (Student's t-Distribution) 提供了比常態分配更厚實的尾部 (Fatter tails)，能夠更好地捕捉潛在的極端風險。而針對變異數的檢定，則必須仰賴卡方分配 (Chi-Squared Distribution) 與F分配 (F-Distribution)。

卡方檢定統計量 (Chi-Squared Test Statistic) 公式為：

更進一步，指數分配 (Exponential Distribution) 被廣泛應用於違約等待時間的建模，其危險率 (Hazard rate) 決定了違約事件的到來速度。而貝塔分配 (Beta Distribution) 則由於其值域介於零與一之間，成為違約機率與回收率建模的首選。

為了更貼近真實市場的複雜性，混合分配 (Mixture Distributions) 結合了參數化 (Parametric) 與無母數 (Nonparametric) 方法。例如，將低波動與高波動的常態分配依據歷史機率進行混合，可以創造出具備多峰且偏度、峰度可調的全新分配。這解決了單一模型無法涵蓋極端事件的痛點，展現了從單一工具升級至系統化架構的演進。

市場現象看似混亂，實則受到機率法則的嚴格約束。技術與工具的升級或許能加快我們計算機率分配的速度，卻沒有撼動數學與經濟學的底層定律。量化投資的真正壁壘，不在於發掘單一的完美分配模型，而是能夠精準界定各種機率分配的邊界，並建立具備容錯空間的動態機制。所有超出優勢的下注，最終的結局都是被市場清算。